Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Neural Circuits01:25

Neural Circuits

Neural circuits and neuronal pools are two of the main structures found in the nervous system. Neural circuits are networks of neurons that work together to carry out a specific task or process. They consist of interconnected neurons and glial cells, which provide structural and metabolic support.
Neuronal pools are collections of nerve cells with similar functions and interact through chemical and electrical signals. These pools include both interneurons (the central neural circuit nodes that...
Spinal Cord: Information Processing01:10

Spinal Cord: Information Processing

The spinal cord is an integral hub for motor and sensory information that enables the brain to communicate with the peripheral nervous system (PNS). This communication consists of relaying sensory data and transmission of motor commands.
Sensory Information Processing
Sensory information processing begins at the sensory receptors located in the skin and other tissues, which detect somatic sensory stimuli such as touch, temperature, or pain. These receptors function as catalysts, initiating...

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Individualized Prediction of Radiation Pneumonitis Using RP-GAN: Leveraging Global Lung Features and Explainable Artificial Intelligence.

Technology in cancer research & treatment·2026
Same author

Accelerating Evidence Synthesis: A BERT-Assisted Workflow for Meta-Analyses of Radiotherapy Complications in Nasopharyngeal Carcinoma.

Reports (MDPI)·2026
Same author

Improving the Prediction of Radiation Pneumonitis: Leveraging Radiomics and Dosiomics Within IDLSS Lung Subregions.

Life (Basel, Switzerland)·2026
Same author

Multi-functional log-periodic graphene antennas for ultra-wideband systems.

Discover nano·2026
Same author

Enhanced plasmonic biosensors with machine learning for ultra-sensitive detection.

Discover nano·2026
Same author

Dose-Guided Hybrid AI Model with Deep and Handcrafted Radiomics for Explainable Radiation Dermatitis Prediction in Breast Cancer VMAT.

Cancers·2025

Video Experimental Relacionado

Updated: Jun 29, 2026

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

Red neuronal profunda híbrida con optimización de características basada en PCA para mejorar la clasificación de

Binay Kumar Pandey1, Digvijay Pandey2, Tsair-Fwu Lee3

  • 1Department of Information Technology, College of Technology, Govind Ballabh Pant University of Agriculture and Technology Pantnagar, Pantnagar, Uttarakhand, India. binaydece@gmail.com.

Scientific reports
|February 19, 2026
PubMed
Resumen

Un nuevo modelo híbrido PCA DenseNet121 clasifica con precisión tumores cerebrales (Glioma, Meningioma, Pituitaria, sin tumor) con una precisión del 95,89 %. Este enfoque combina el aprendizaje profundo con el análisis de texturas para mejorar la fiabilidad diagnóstica.

Palabras clave:
diagnóstico de tumores cerebralesaprendizaje profundoDenseNet121imágenes de resonancia magnéticaanálisis de componentes principalesaprendizaje por transferencia

Videos de Experimentos Relacionados

Last Updated: Jun 29, 2026

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

Área de la Ciencia:

  • Imágenes Médicas e Inteligencia Artificial
  • Patología Computacional
  • Aprendizaje Automático en Oncología

Sus antecedentes:

  • Los tumores cerebrales presentan desafíos diagnósticos debido a su crecimiento impredecible y necesidades médicas complejas.
  • La clasificación precisa de los tipos de tumores es crucial para una planificación de tratamiento eficaz.

Objetivo del estudio:

  • Desarrollar y evaluar una red neuronal convolucional híbrida de Análisis de Componentes Principales (PCA) DenseNet121 para mejorar la clasificación de tumores cerebrales.
  • Mejorar la precisión de la clasificación para cuatro tipos: Glioma, Meningioma, Pituitaria y ausencia de tumor.

Principales métodos:

  • Un modelo híbrido que combina características profundas de DenseNet121 con descriptores de textura tradicionales: Matriz de Co-ocurrencia de Niveles de Gris (GLCM), Patrón de Ternario Local (LTP) y Vector de Coherencia de Color (CCV).
  • Preprocesamiento de datos de resonancia magnética utilizando CCV con 27 contenedores de intensidad discretos para capturar la conectividad espacial y las relaciones sutiles de intensidad.
  • Reducción de la dimensionalidad del espacio de características utilizando Análisis de Componentes Principales (PCA) aplicado exclusivamente a los datos de entrenamiento para evitar sesgos.

Principales resultados:

  • Se logró una precisión de clasificación del 95,89 % para los tipos de tumores cerebrales.
  • La precisión, la recuperación y la puntuación F1 se mantuvieron consistentemente por encima del 94 %.
  • Se demostró una reducción efectiva del sobreajuste a través de curvas de precisión/pérdida de entrenamiento y validación coincidentes y el uso exitoso de la normalización de dropout.

Conclusiones:

  • La integración de descriptores de textura multimodales con características profundas proporciona una representación completa del tumor, minimizando la clasificación errónea.
  • El modelo híbrido propuesto garantiza patrones de aprendizaje estables y un rendimiento diagnóstico fiable en diversos conjuntos de datos clínicos.
  • El método aborda eficazmente los desafíos de la clasificación de tumores cerebrales, ofreciendo una herramienta prometedora para el diagnóstico médico.